AI Summary & Key Takeaways
AI InsightAccording to the results, MLP gives the both highest accuracy and F1-score with 97% to classify the ALL cells for leukemia.
📌 3 Key Takeaways
Abstract
Acute Lymphocytic Leukemia (ALL) is one of the most prevalent types of leukemia which has the risk of death of children is relatively higher than adults. The early diagnosis of this disease is crucial and it can be detected by examining the morphological changes of the blood cells. In this study, we exhibit a comparative study on the automatic classification and identification of the ALL with machine learning methodologies. Acute Lymphoblastic Challange Database (ALL-CDB) served by the Cancer Imaging Archive, which consists of 6500 digital microscopic pathology images from 118 subjects, is used. As the first step, the geometric features are extracted and after, the feature selection was performed with Principal Component Analysis (PCA). Finally, the classification process on the selected features was carried out by using Naive Bayes, k-Nearest Neighbor (k-NN), Linear Discriminant Analysis (LDA), Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), and Multilayer Perceptron (MLP) neural network methods. The results between the methodologies have been analyzed in terms of accuracy, precision, recall, and F1-score metrics. According to the results, MLP gives the both highest accuracy and F1-score with 97% to classify the ALL cells for leukemia.
Özet
Akut Lenfositik Lösemi (ALL) en sık görülen lösemi tiplerinden biridir ve çocukların ölüm riski yetişkinlere göre nispeten daha yüksektir. Bu hastalığın erken teşhisi çok kritik olup, kan hücrelerinin morfolojik değişiklikleri incelenerek tespit edilebilir. Bu çalışmada, ALL'nin makine öğrenmesi metodolojileri ile otomatik olarak sınıflandırılması ve tanımlanması üzerine karşılaştırmalı bir çalışma sunuyoruz. Çalışmada, 118 deneğe ait 6500 dijital mikroskobik patoloji görüntüsünden oluşan Kanser Görüntüleme Arşivi tarafından sunulan Akut Lenfoblastik Görüntü Veritabanı (ALL-CDB) kullanılmaktadır. İlk adım olarak geometrik öznitelikler çıkarılmıştır ve ardından Temel Bileşen Analizi (PCA) ile öznitelik seçimi yapılmıştır. Son olarak Naive Bayes, k-En Yakın Komşu (k-NN), Lineer Diskriminant Analizi (LDA), Karar Ağacı (DT), Rastgele Orman (RF), Destek Vektör Makinesi (SVM) ve Çok Katmanlı Algılayıcı (MLP) yöntemleri kullanılarak seçilen öznitelikler üzerinde sınıflandırma işlemi gerçekleştirilmiştir. Metodolojiler arasındaki sonuçlar, doğruluk, kesinlik, hatırlama ve F1-skor metrikleri açısından analiz edilmiştir. Sonuçlara göre MLP, ALL hücrelerini sınıflandırmak için %97 ile hem en yüksek doğruluk hem de F1-skorunu vermektedir.